Geri Dön

The sectoral electricity load forecasting by using deep learning techniques

Derin öğrenme teknikleri kullanılarak sektörel elektrik yük tahmini

PDF İndir

  1. Tez No: 884051
  2. Yazar: ABDURRAHMAN YAVUZDEĞER
  3. Danışmanlar: DOÇ. DR. TUĞÇE DEMİRDELEN, DR. ÖĞR. ÜYESİ İNAYET ÖZGE AKSU
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Adana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 140

Özet

Elektrik yükünün tahmin edilmesi, küresel enerji talebinin artması ve enerjinin şebekelerde etkin yönetimine duyulan ihtiyaç nedeniyle kritik bir konudur. Bu çalışma, elektrik yükünü tahmin etmek için Uzun Kısa Süreli Bellek (UKSB), Evrişimsel Sinir Ağı (ESA) ve hibrit bir ESA-UKSB modelini içeren Derin Öğrenme (DÖ) modellerini kullanmayı amaçlamaktadır. 2016-2023 yılları arasındaki aylık veriler kullanılarak, aydınlatma, konut, sanayi, tarım, ticari ve toplam yük referans alınarak, Adana, Mersin ve Antalya illerinde farklı sektörlerdeki elektrik yükü tahmin edilmektedir. Matlab/Simulink modeli 24 saatlik elektriksel yük profilini gözlemlemek için kullanılmıştır. Tezin ana katkısı, DÖ yaklaşımlarının ve hibrit uygulamalarının karşılaştırmalı bir analizinin incelenmesi ve önerilmesidir. Karşılaştırma sonuçları, DÖ modellerinin stratejik enerji planlamasındaki önemine odaklanan karmaşık kalıpları yakalamada DÖ modellerinin etkinliği açısından dikkate değer bilgiler ortaya koymaktadır. Ortalama Karekök Hata (OKH), R2, Ortalama Mutlak Yüzde Hata (OMYH) ve Ortalama Mutlak Hata (OMH) açısından hibrit modellerin UKSB ve ESA modeline üstünlük sağladığı sonucuna varılmıştır. Sonuçlar, ESA-UKSB hibrit modellerinin sektörel elektrik yüklerinin zamansal dinamiklerini yakalama yeteneğinin, UKSB ve ESA'dan daha etkili olduğunu göstermektedir.

Özet (Çeviri)

Forecasting of electricity load is a critical issue because of the increasing global demands for energy and the need for its efficient management in grids. This study aims to utilize Deep Learning (DL) models, including Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN), and a hybrid CNN-LSTM model, for forecasting electricity load. Monthly data from 2016 to 2023 is used to predict the electricity load in the provinces of Adana, Mersin, and Antalya in different sectors, concerning lighting, residential, industry, agriculture, commercial, and total load. The Matlab/Simulink model has been used to observe the 24-hour electrical load profile. The main contribution of the thesis is to examine and propose a comparative analysis of DL approaches and their hybrid applications. Comparison results illustrated noteworthy information in terms of the effectiveness of DL models in capturing complex patterns, which focused on the importance of DL models in strategic energy planning. It was concluded that concerning Root Mean Square Error (RMSE), R2, Mean Absolute Percentage Error (MAPE), and Mean Absolute Error (MAE), the hybrid model provides superiority to the LSTM and CNN models. The results show that the capability of CNN-LSTM hybrid models in capturing the temporal dynamics of sectoral electricity loads is more effective than the LSTM and CNN as the case.

Benzer Tezler

  1. Tez No

    216754

    Ekonometrik ve yapay sinir ağları yaklaşımları ile Türkiye'nin bölgesel uzun dönem elektrik talebinin ve buna bağlı CO2 emisyonunun tahmini

    Forecasting Turkey?s regional long term electricity demand and associated CO2 emission by econometric and artificial neural network approaches

    LEVENT TÜRKER

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    Çevre MühendisliğiHacettepe Üniversitesi

    Çevre Mühendisliği Bölümü

    DR. MERİH AYDINALP KÖKSAL

  2. Tez No

    743636

    Geography and the costs of urban energy infrastructure: The Case of electricity and natural gas capital investment

    Kentsel enerji altyapısının coğrafyası ve maliyetleri: Elektrik ve doğal gaz sermaye yatırımları örneği

    MÜZEYYEN ANIL ŞENYEL KÜRKÇÜOĞLU

    Doktora

    İngilizce

    İngilizce

    2013

    Şehircilik ve Bölge PlanlamaThe Ohio State University

    Şehir ve Bölge Planlama Ana Bilim Dalı

    PROF. DR. JEAN-MICHEL GULDMANN

  3. Tez No

    896186

    Türkiye'de bölgelere göre elektrik tüketiminin iktisadi analizi: Bölgesel kalkınma ve enerji verimliliği perspektifinden bir değerlendirme

    Economic analysis of electricity consumption by regions in Turkey: An evaluation from the perspective of regional development and energy efficiency

    HAZAR KESKİN

    Doktora

    Türkçe

    Türkçe

    2024

    EkonomiGaziantep Üniversitesi

    İktisat Ana Bilim Dalı

    DOÇ. DR. HAYRİ ABAR

  4. Tez No

    216923

    Sektörel elektrik tüketiminin sektörel katma değer üzerindeki etkisi

    The effect of sectoral electricity comsumption on sectoral value added

    PINAR BAHAR ERDENİZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    EkonomiAbant İzzet Baysal Üniversitesi

    İktisat Ana Bilim Dalı

    DOÇ. DR. RAMAZAN SARI

  5. Tez No

    734905

    Forecasting of Turkey's total electricity consumption in sectoral bases using machine learning algorithms

    Makine öğrenimi algoritmaları kullanılarak sektörel bazda Türkiye'nin toplam elektrik tüketiminin tahmini

    MHD KHAIR HAJJAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Kültür Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İLAYDA ÜLKÜ

Geri Dön